Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase
Jaringan syaraf tiruan (JST) adalah salah satu alat yang dapat digunakan untuk memprediksi sesuatu yang terlalu sulit untuk dimodelkan atau terlalu rumit diprogram melalui algoritma komputer biasa. Pada dasarnya, JST dibangun lalu dilatih untuk mengenali pola data pelatihan yang terdiri dari input...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Institut Teknologi Bandung
2019-12-01
|
| Series: | Jurnal Teknik Sipil |
| Subjects: | |
| Online Access: | http://journals.itb.ac.id/index.php/jts/article/view/9378/pdf_13 |
| _version_ | 1818237243774468096 |
|---|---|
| author | Ridwan Setiadi Sri Wulandari |
| author_facet | Ridwan Setiadi Sri Wulandari |
| author_sort | Ridwan Setiadi |
| collection | DOAJ |
| description | Jaringan syaraf tiruan (JST) adalah salah satu alat yang dapat digunakan untuk memprediksi sesuatu yang terlalu
sulit untuk dimodelkan atau terlalu rumit diprogram melalui algoritma komputer biasa. Pada dasarnya, JST
dibangun lalu dilatih untuk mengenali pola data pelatihan yang terdiri dari input dan target. Idealnya, JST yang
sukses memiliki nilai kuadrat eror rata-rata atau mean squared-error (MSE) yang kecil dan jumlah data pelatihan yang berhasil dikenali besar. Ada tiga JST yang dibuat dalam penelitian ini, yaitu JST klasifikasi tanah, JST prediksi N-SPT, dan JST prediksi kohesi tak terdrainase. JST klasifikasi tanah memiliki MSE pelatihan senilai 0,0351 dan mampu mengenali 56 dari total 57 atau 98,2% data pelatihan sementara MSE pengujiannya senilai 0,6534 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi N-SPT memiliki MSE pelatihan senilai 0,368 dan mampu mengenali 29 dari 37 atau 78,38% data pelatihan sementara MSE pengujiannya senilai 1,4697 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi kohesi tak terdrainase memiliki MSE pelatihan senilai 0,0059 dan mampu mengenali 27 dari 28 atau 96,43% data pelatihan sementara MSE pengujiannya seniai 0,0225 dan mampu mengenali 9 dari 10 atau 90% data pengujian. |
| first_indexed | 2024-12-12T12:22:40Z |
| format | Article |
| id | doaj.art-4045e1d61de54c3ba4f77dd371debd82 |
| institution | Directory Open Access Journal |
| issn | 0853-2982 2549-2659 |
| language | English |
| last_indexed | 2024-12-12T12:22:40Z |
| publishDate | 2019-12-01 |
| publisher | Institut Teknologi Bandung |
| record_format | Article |
| series | Jurnal Teknik Sipil |
| spelling | doaj.art-4045e1d61de54c3ba4f77dd371debd822022-12-22T00:24:38ZengInstitut Teknologi BandungJurnal Teknik Sipil0853-29822549-26592019-12-0126723924810.5614/jts.2019.26.3.7Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak TerdrainaseRidwan Setiadi0Sri Wulandari1 Universitas Gunadarma Universitas GunadarmaJaringan syaraf tiruan (JST) adalah salah satu alat yang dapat digunakan untuk memprediksi sesuatu yang terlalu sulit untuk dimodelkan atau terlalu rumit diprogram melalui algoritma komputer biasa. Pada dasarnya, JST dibangun lalu dilatih untuk mengenali pola data pelatihan yang terdiri dari input dan target. Idealnya, JST yang sukses memiliki nilai kuadrat eror rata-rata atau mean squared-error (MSE) yang kecil dan jumlah data pelatihan yang berhasil dikenali besar. Ada tiga JST yang dibuat dalam penelitian ini, yaitu JST klasifikasi tanah, JST prediksi N-SPT, dan JST prediksi kohesi tak terdrainase. JST klasifikasi tanah memiliki MSE pelatihan senilai 0,0351 dan mampu mengenali 56 dari total 57 atau 98,2% data pelatihan sementara MSE pengujiannya senilai 0,6534 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi N-SPT memiliki MSE pelatihan senilai 0,368 dan mampu mengenali 29 dari 37 atau 78,38% data pelatihan sementara MSE pengujiannya senilai 1,4697 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi kohesi tak terdrainase memiliki MSE pelatihan senilai 0,0059 dan mampu mengenali 27 dari 28 atau 96,43% data pelatihan sementara MSE pengujiannya seniai 0,0225 dan mampu mengenali 9 dari 10 atau 90% data pengujian.http://journals.itb.ac.id/index.php/jts/article/view/9378/pdf_13jaringan syaraf tiruanklasifikasi tanahkohesi tak terdrainasekuadrat eror rata-ratan-spt |
| spellingShingle | Ridwan Setiadi Sri Wulandari Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase Jurnal Teknik Sipil jaringan syaraf tiruan klasifikasi tanah kohesi tak terdrainase kuadrat eror rata-rata n-spt |
| title | Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase |
| title_full | Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase |
| title_fullStr | Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase |
| title_full_unstemmed | Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase |
| title_short | Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase |
| title_sort | analisis jaringan syaraf tiruan backpropagation untuk prediksi kelas tanah n spt dan kohesi tak terdrainase |
| topic | jaringan syaraf tiruan klasifikasi tanah kohesi tak terdrainase kuadrat eror rata-rata n-spt |
| url | http://journals.itb.ac.id/index.php/jts/article/view/9378/pdf_13 |
| work_keys_str_mv | AT ridwansetiadi analisisjaringansyaraftiruanbackpropagationuntukprediksikelastanahnsptdankohesitakterdrainase AT sriwulandari analisisjaringansyaraftiruanbackpropagationuntukprediksikelastanahnsptdankohesitakterdrainase |